torch.autograd.grad求二阶导数

1 用法介绍

 pytorch中torch.autograd.grad函数主要用于计算并返回输出相对于输入的梯度总和，具体的参数作用如下所示：

torch.tril(input, diagonal=0, *, out=None) $⟶$Tensor

• outputs(sequence of Tensor)：表示微分函数的输出
• inputs (sequence of Tensor)：表示微分函数的输入
• grad_outputs (sequence of Tensor)：表示“向量-雅克比矩阵”的向量
• retain_graph (bool, optional)：表示是否需要将计算图释放掉，当计算二阶导数时需要设置为True
• create_graph (bool, optional)：表示是否需要将梯度将会加入到计算图中，当计算高阶导数或者其他计算时会将其设置为需要设置为True
• allow_unused (bool, optional)：表示是否只返回输入的梯度，而不返回其他叶子节点的梯度

2 实例讲解

 以下给出了具体的二阶导数解析解的数学实例

给定一个向量$\mathbf{x}=(x_1,x_2{)}^{\top }$，可以得到向量$\mathbf{y}=(y_1,y_2{)}^{\top }=(x_1^2,x_2^2{)}^{\top }$。对向量$\mathbf{y}$的元素求平均可以得到损失函数${\mathrm{loss}}_1$为：$${\mathrm{loss}}_1(\mathbf{x})=\mathrm{mean}(\mathbf{y})=\frac{x_1^2+x_2^2}{2}$$向量$\mathbf{y}$元素的分量分别对$\mathbf{x}$求偏导，然后相加求平均得到损失函数${\mathrm{loss}}_2$为$$\{\begin{array}{rl}{h}_1(\mathbf{x})& =\frac{\partial y_1}{\partial \mathbf{x}}=(2x_1,0{)}^{\top }\\ h_2(\mathbf{x})& =\frac{\partial y_2}{\partial \mathbf{x}}=(0,2x_2{)}^{\top }\end{array},{\mathrm{loss}}_2(\mathbf{x})=\mathrm{mean}(h_1({\mathbf{x}}_1)-h_2({\mathbf{x}}_2))=x_1-x_2$$将损失函数${\mathrm{loss}}_1$与损失函数${\mathrm{loss}}_2$相加可以得到$$\mathrm{loss}(\mathbf{x})={\mathrm{loss}}_1(\mathbf{x})+{\mathrm{loss}}_2(\mathbf{x})=\frac{x_1^2+x_2^2}{2}+x_1-x_2$$最终损失函数$\mathrm{loss}$对向量$\mathbf{x}$的偏导数为$$\frac{\partial \mathrm{loss}}{\partial \mathbf{x}}=(x_1+1,x_2-1{)}^{\top }$$

以下为用pytorch实现二阶导数相对应的代码实例：

import torch

x = torch.tensor([5.0, 7.0], requires_grad=True)
y = x**2

loss1 = torch.mean(y)

h1 = torch.autograd.grad(y[0], x, retain_graph = True, create_graph=True)
h2 = torch.autograd.grad(y[1], x, retain_graph = True, create_graph=True)
loss2 = torch.mean(h1[0] - h2[0])

loss = loss1 + loss2

result = torch.autograd.grad(loss, x)
print(result)

当向量$\mathbf{x}$取值为$(5,7{)}^{\top }$时，根据数学解析解得到的二阶导数为$(6,6{)}^{\top }$，对应的代码运行的实验结果也为$(6,6)$。